RobotLearning - Sistemas Agénticos y Autónomos

Resumen

Explore el diseño y las herramientas de los agentes de aprendizaje autónomos, conectando sistemas autónomos con modelos agénticos para lograr un aprendizaje por refuerzo efectivo en el mundo real.

Programa de estudio

• Introducción a los Agentes de Aprendizaje Autónomos
Visión General de los Sistemas Autónomos
Definiciones y Características de los Agentes de Aprendizaje Autónomos
Contexto Histórico y Evolución
• Fundamentos del Aprendizaje por Refuerzo
Conceptos Clave: Agentes, Entornos, Recompensas y Pares Estado-Acción
Dilema de Exploración vs. Explotación
Algoritmos Básicos: Q-Learning, SARSA
• Modelos Agénticos en Sistemas Autónomos
Definición de Modelos Agénticos
Comparación con Otros Modelos
Aplicaciones en Sistemas Autónomos
• Diseño de Agentes de Aprendizaje Autónomos
Componentes de Agentes Autónomos
Consideraciones Arquitectónicas
Diseño de Soluciones Basadas en Agentes
• Aprendizaje por Refuerzo en Sistemas Autónomos
Aprendizaje por Refuerzo Profundo
Gradientes de Política y Métodos Actor-Critic
Estudios de Caso: Aplicaciones en Robótica y Otros Campos
• Herramientas y Plataformas para Desarrollar Agentes de Aprendizaje
Marcos: TensorFlow Agents, OpenAI Gym
Entornos de Simulación: ROS, Gazebo
Desafíos Prácticos de Implementación
• Temas Avanzados en Aprendizaje y Control Autónomo
Aprendizaje por Refuerzo Multi-Agente
Aprendizaje por Refuerzo Jerárquico
Consideraciones de Seguridad y Ética
• Conectando Modelos Agénticos con Aplicaciones del Mundo Real
Estudios de Caso de Implementaciones Exitosas
Desafíos de Integración y Soluciones
Tendencias Futuras en Sistemas Agénticos y Autónomos
• Cierre del Curso y Proyecto
Revisión de Conceptos Clave
Proyecto Final: Diseñar y Simular un Agente de Aprendizaje Autónomo
Discusión sobre Áreas Emergentes en Aprendizaje Robótico

Asignaturas

Ciencias de la Computación